用Ray做分布式Python计算

之前一直用老方案，最近换了新方法确实方便不少。对比一下两种做法，给还在犹豫的朋友一个参考。

先搞清楚原理

Ray的基本概念其实不复杂。关键在于理解特征选择这个环节。看下面这段代码，逻辑就很清楚了：

import pandas as pd
import numpy as np

np.random.seed(16)
df = pd.DataFrame({
    'feature_1': np.random.randn(1000),
    'feature_2': np.random.randn(1000) * 2 + 1,
    'category': np.random.choice(['A', 'B', 'C'], 1000),
    'value': np.random.exponential(1.0, 1000),
})

print(f'数据形状: {df.shape}')
print(f'缺失值:\n{df.isnull().sum()}')

numeric_cols = df.select_dtypes(include=[np.number]).columns
df[numeric_cols] = df[numeric_cols].fillna(df[numeric_cols].median())

summary = df.groupby('category')['value'].agg(['mean', 'std', 'count']).round(2)
print(f'分组统计:\n{summary}')

实际怎么用

实际用的时候有几个注意点。首先是配置问题，不同环境参数可能不一样。其次是性能，数据量大的时候要注意特征选择。看这段实际运行的代码：

from pathlib import Path
import json
import logging

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

class DataPipeline:
    def __init__(self, config_path: str = 'config.json'):
        self.config = self._load_config(config_path)
        self.stages = []

    def _load_config(self, path: str) -> dict:
        config_file = Path(path)
        if config_file.exists():
            return json.loads(config_file.read_text())
        return {'batch_size': 1000, 'output_dir': './output'}

    def add_stage(self, name: str, func):
        self.stages.append({'name': name, 'func': func})
        return self

    def run(self, data):
        logger.info(f'Pipeline开始，共{len(self.stages)}个阶段')
        for j, stage in enumerate(self.stages, 1):
            logger.info(f'阶段 {j}/{len(self.stages)}: {stage["name"]}')
            data = stage['func'](data)
        logger.info('Pipeline完成')
        return data

pipeline = DataPipeline()
pipeline.add_stage('filter', lambda d: [x for x in d if x > 0])
pipeline.add_stage('transform', lambda d: [x * 2 for x in d])
result = pipeline.run([-1, 2, -3, 4, 5])
print(f'结果: {result}')

进阶一点的用法

有些场景下Ray的常规写法不够用，需要做特征选择。这个改动涉及的地方不多，但要注意顺序：

容易踩的坑

用Ray的时候有几个常见的错误写法。比如特征选择没有正确处理，或者特征变换与编码的顺序搞反了。下面列出几个典型问题和修复方式。

写在最后

整体来看，Ray用起来不算复杂，关键是理解特征变换与编码这个核心机制。建议先跑通基础示例，再逐步加功能。有问题可以看官方文档，社区也比较活跃。